КОНЦЕПЦИЯ
Почему эти данные?
Записи о датах цветения вишни в Киото, ведущиеся с 812 года н. э. по дневникам японских императоров, монахов и аристократов — это старейший в мире непрерывный фенологический архив. Эти хроники являются непреднамеренным, но точнейшим естественным индикатором глобального изменения климата. Сакура выступает как «живой термометр»: дата полного распускания почек напрямую зависит от весенних температур.
Проблема и диссонанс:
С началом индустриальной эпохи в XIX веке пик цветения начал стремительно смещаться с середины апреля на конец марта. Проект визуализирует этот пугающий временной сдвиг.
Цель проекта:
Уйти от сухих и безэмоциональных табличных отчетов в сторону концептуального Data Art. Перевести сухие цифры датасета на язык чистой графики и цвета, сделав климатические изменения осязаемыми на интуитивном уровне.
Польза инфографики:
Постер визуализирует неотвратимость климатических изменений через близкий и поэтичный образ уязвимого цветка, сопоставляя историческую климатическую норму прошлого и аномалии нашего времени с прогнозом нейросети на 2050 год.
Вертикальный постер формата А1
Центральный визуальный нарратив:
Диаграмма Аур Цветения (812–2050). Это переосмысление классического таймлайна. Вертикальная ось времени пересекается с горизонтальной осью дат цветения. Каждое десятилетие представлено мягкой размытой аурой. Смещение аур влево (к марту) и изменение цвета от серо-голубого к неоновой фуксии наглядно показывает «накаление» климата.
Схема модели (справа внизу):
Лепестковые диаграммы весов. Триптих из геометрических цветков, который визуализирует не декоративный элемент, а реальные веса и важность признаков (Feature Importance) внутри нейросети LSTM. Длина лепестков показывает, как сильно температура марта и уровень CO₂ влияют на итоговый прогноз модели.
ПРОЦЕСС СОЗДАНИЯ И ПАЙПЛАЙН
Шаг 1. Анализ и предобработка данных (Python / Pandas):
Первичный анализ датасета с Kaggle, перевод календарных дат в Day of Year (сквозной день года). Обработка пропусков методом линейной интерполяции.
Шаг 2. Обучение прогностической модели (Keras / TensorFlow):
Построение и обучение рекуррентной нейросети архитектуры LSTM (Long Short-Term Memory) для работы с временными рядами. Модель выявила нелинейные зависимости между факторами и спрогнозировала даты цветения до 2050 года с точностью (MAE) до 2.4 дня…
Шаг 3. Генеративное программирование (Processing / p5.js):
Создание параметрической графики (лепестковых диаграмм весов модели) на основе рассчитанных нейросетью коэффициентов важности признаков.
Шаг 4. Графический дизайн и верстка (Adobe Illustrator):
Сборка постера по строгой модульной сетке. Интеграция графиков, подбор шрифтовой пары. Наложение текстур и пастельных градиентов для создания «воздуха» и японской эстетики Ваби-Саби.
